大学生思想政治教育资源个性化精准推荐系统设计

林雨菲 姜参

摘要：

信息过载成为大学生思想政治教育资源选择面临的严重问题，个性化推荐系统是解决这个问题的工具。本文以系统业务流程模型为基础，主要进行了两方面设计：一是构建了个性化精准推荐模型，通过计算评分偏差、预测用户未评分资源的评分、寻找最近邻居集和产生推荐资源等步骤完成了推荐算法设计;二是借鉴MVC的设计思想，设计了由用户操作层、系统功能层、业务逻辑层和数据持久层等构成构架结构，并对各层进行了简要说明。本文的研究解决了系统开发关键性的技术问题，为提高软件开发效率和质量奠定了基础。

关键词：

思想政治; 教育资源; 精准推荐; 系统设计

中图分类号： TP 311

文献标志码： A

Design on Accurately Personalized Recommendation System for

College Students' Ideological and Political Education Resources

LIN Yufei1， JIANG Shen2

（1. College of Marxism; 2. School of Management， Bohai University， Jinzhou， Liaoning 121013， China）

Abstract：

Information overload has become a serious problem in the selection of ideological and political education resources for college students. Personalized recommendation system has become a tool to solve this problem. Based on the business process model of the system， this paper mainly designs two aspects： one is to build a personalized and accurate push model， and complete the design of the recommendation algorithm by calculating the score deviation， predicting the score of users' non rated resources， finding the nearest neighbor set and generating recommendation resources. Secondly， referring to the design idea of MVC， it designs the architecture structure which consists of user operation layer， system function layer， business logic layer and data persistence layer， and gives a brief description of each layer. The research results of this paper solve the key technical problems of system development， and lay a foundation for improving the efficiency and quality of software development.

Key words：

ideological and political; education resources; accurate recommendation; system design

0引言

互聯网为现代教育提供了诸多发展机遇，为大学生提供了一种思想政治教育的全新平台，高等教育必须积极抢占互联网这个思想政治教育主阵地，改善大学生思想政治教育环境，提高思想政治教育的实效性与影响力[1]。大学生是大众传媒的主要受众，互联网为大学生提供了充足的思想政治教育资源，延伸了思想政治教育时空，加快了思想政治教育现代化进程[2]。但是，各种思潮的交融交锋现象逐渐增多，思想政治教育的各类信息容易被大量的网络资源所覆盖，尤其是教育资源去中心化和碎片化趋势明显，信息过载成为目前大学生思想政治教育面临的严重问题，教育资源获取深受干扰，大量无关资源严重干扰了大学生对所需要思想政治教育资源的准确选择[3]，个性化推荐系统就成为解决这个问题的重要工具，通过挖掘大学生的需求或兴趣，根据相关算法有效推荐[4]。本文基于软件工程的思想展开研究，为大学生思想政治教育资源个性化精准推荐系统开发提供完整的解决方案。

1业务流程设计

业务流程分析是以目前的管理模式为基础，以业务流程图为工具，按照具体业务的实际处理步骤，通过图形的方式表达业务处理逻辑。随着用户需求越来越多样化，业务流程模型可以通过配置来满足用户的多样化需求[5]。业务流程模型是需求分析的重要工作，既是与用户交流的工具，也是系统设计的基础。大学生思想政治教育资源个性化精准推荐系统包括学生、教师和管理员三类用户，三类用户分别与系统进行交互，本文只给出了学生用户和管理员用户与系统交互的业务流程模型，如图1所示[6]。教师用户与系统交互的业务流程可参照图1。

对于图1所示的系统业务流程模型，简要描述如下：学生用户登录系统，选择资源类别后进入导航页面，选择相应

功能后导航到相应页面，显示推荐资源，用户可以学习浏览资源，也可以查询资源或上传资源，浏览资源后进行资源评价，可以下载、收藏或推荐资源，系统保存相关数据，更新数据库。管理员用户登录系统，选择管理操作，可以对模型库、知识库和资源库等进行维护，也可以对资源进行编辑修改，或者查询资源的使用情况等。

2推荐算法设计

个性化推荐诞生于电子商务领域，向用户提供个性化的信息服务和决策支持，用于解决互联网时代的信息超载问题。目前已广泛应用于新闻媒体、网络商城、教育教学、文化传播、娱乐生活、视频点播和决策支持等相关领域。教育资源个性化精准推荐依赖于推荐算法，常见的个性化推荐算法包括基于协同过滤的推荐算法、基于内容的推荐算法、基于效用的推荐算法、基于知识的推荐算法、基于关联规则的推荐算法，以及综合应用以上两种或两种以上算法的混合推荐算法[7]。基于协同过滤的推荐算法是在教育教学领域应用最早、最经典且最成熟的技术，具有不需要深厚的领域知识、能处理复杂的非结构化对象、推荐个性化和自动化程度较高等优点。基于协同过滤的推荐算法具体又分为三类：基于用户的协同过滤推荐算法，主要考虑用户和用户之间的相似度;基于项目的协同过滤推荐算法，主要考虑项目和项目之间的相似度;基于模型的协同过滤推荐算法，主要运用机器学习的思想通过建模来解决问题。每类协同过滤推荐算法各有自己的优缺点和适用范围。大学生思想政治教育资源个性化精准推荐更关注用户之间的相似度，找出学生兴趣相似的用户群体，把评分相对较高并且目标用户没有被推荐过的学习资源推荐给目标用户[8]，因此，本系统选择基于用户的协同过滤推荐算法，个性化精准推荐模型，如图2所示[9]。

对于图2所示的个性化精准推荐模型，学生提出学习请求后，系统从学生行为日志提出行为信息和从学习资源库提取资源信息，输入到学生行为模型和学习资源模型，依据最近邻居集、学习生行为权重和协同过滤策略构建的协同过滤引擎，产生在线推荐的学习资源，将音频、视频、文本、微课和课件等资源类型呈现在学生的客户端供学生学习使用，学生学习过程中的行为信息记录到学生行为日志中。个性化精准推荐模型的关键是基于用户的协同过滤推荐算法，参照相关文献[1012]，构建如下：

（1） 获取学生对教育资源的评分矩阵。学生对教育资源评分包括隐式评分和显式评分两种，隐式评分是系统对用户数据进行分析得到的评分，显式评分是用户直接打分得到的资源评分。隐式评分需要跟踪目标对象的下载、浏览和收藏等学习行为。系统建设初期使用显式评分，运用较稳定后采用二者结合

的方法。设有m个用户和n种学习资源，矩阵Ri，j表示用户i对资源j的评分，为了数据显示清晰，m个用户对n种学习资源评分形成的评分矩阵表示成二维表的形式，如表1所示。

（2） 解决数据稀疏性问题。随着用户数量和资源数量增加，资源评分矩阵成为高维度矩阵，评分矩阵会存在大量空值的数据，这就是数据稀疏性[13]。产生数据稀疏性的原

因来自于三个方面：一是用户的学习行为信息很少，对资源的评分就会出现大量缺失;二是用户虽然利用了学习资源，但未对资源进行评分;三是在系统构建初期，评分数据存在大量的缺省值。数据稀疏性导致计算相似度时得到的结果过于片面或产生巨大偏差，影响推荐算法的精确性。解决数据稀疏性问题，就是提高评分矩阵数据的完整性。本系统利用Slope one算法，采用数据填充方式解决数据稀疏性问题，基本思想是根据用户过去对资源的评分偏差来对未评分资源进行推测评分，具体包括四个步骤：

第1步，计算评分偏差。用户对资源i和资源j之间的评分偏差D（i，j），计算公式如式（1）。

上式中，Rui和Ruj分别表示用户u对资源i和资源j的评分。N（i）和N（j）分别表示对资源i和资源j评过分的用户，N（i）∩N（j）表示对资源i和资源j都评过分的用户，|N（i）∩N（j）|表示对资源i和资源j都评过分的用户数。

第2步，预测用户未评分资源的评分。根据用户对资源间的评分偏差和历史评分进行预测，计算公式如式（2）。

上式中，N（u）表示用户u评过分的资源。

（3） 尋找最近邻居集。邻居就是与目标用户具有相似兴趣爱好的其他用户。寻找最近邻居集就是使用相似性计算方法，计算出用户之间的相似性，寻找与目标用户相似度高的用户集合。相似性计算使用相关系数计算方法，相关系数绝对值越大相关性越强，相关系数越接近于0相关性越弱。相关系数计算方法很多，本系统选用Pearson相关系数计算法，很好地解决了用户评分尺度差别的问题。用户i和用户j的相似度表示如式（3）。

上式中，k表示相似度最大的邻居数量，Ii，j表示用户i和用户j对资源评分的交集，Ri，k和Rj，k分别表示用户i和用户j对第k个资源的评分，i和j分别表示用户i和用户j对所有资源评分的平均值。k值选取很重要，如果k值选取较小，可能遗漏与目标用户相似的用户;如果k值选取较大，可能囊括与目标用户不太相似的用户。

（4） 产生推荐资源。以最近邻用户的评分为依据，预测目标用户对未评过分资源的评分，向目标用户推荐评分靠前的N个资源。用户u对未评过分资源i的评分预测，计算公式如式（4）。

上式中，Cu表示相似用户的集合，S（u，n）表示用户u和用户n的相似度，Rn，i表示用户n对资源i的评分，n表示用户n对资源的评分平均值。

3系统架构设计

MVC是一种软件设计典范，将业务逻辑、数据存储和界面显示分离的方式组织代码，降低了耦合性，提高了内聚性。当显示界面修改时，不需要修改业务逻辑，提高了系统的可维护性。为了将大学生思想政治教育资源个性化精准推荐系统设计成为以人为本的学生服务平台和灵活自主的信息传播平台，借鉴MVC的设计思想，在传统三层结构的基础之上，将系统功能层从业务逻辑层中分离出来，业务逻辑层为系统功能层提供支持。由此设计了由用户操作层、系统功能层、业务逻辑层和数据持久层等构成的四层构架，如图3所示。

对于图3所示的系统总体架构中各个逻辑层简要说明如下：用户操作层，系统为用户提供固定服务和移动服务，用户通过智能手机、台式电脑、笔记本电脑和平板电脑，以及其他用户终端访问Web服务器，Web服务器为用户提供思想政治教育资源的网上浏览服务和在线学习服务。系统功能层[1415]，按照学生、教师和管理员等三类角色划分功能。系统功能层从业务逻辑层分离出来，为用户提供各种操作功能。应用服务器提供了访问业务逻辑的途径，实现了各种业务逻辑和应用实现的集成。业务逻辑层，作为系统架构体现核心价值的部分，关注业务规则制定和业务流程实现，有利于系统的开发、维护、部署和扩展。本系统业务逻辑层由基本信息处理、资源推荐处理、用户学习支持、辅助推荐决策、用户评价处理和系统维护处理等业务逻辑组件构成，为系统功能层提供访问接口。数据持久层，持久化是将程序数据在持久状态和瞬时状态间转换的机制，系统提供的统一数据操作接口实现与关系数据库直接交互，通过对象关系映射机制提供对关系数据库表中数据的增加、修改、删除和查询等操作，并将执行结果返回到业务逻辑层。

4总结

随着信息技术蓬勃发展，互联网不受时间和空间限制，能够共享丰富优质的教育资源，逐渐成为大学生思想政治教育的新路径。但是，知识更新频率提速，网络教育资源众多，传统的学习资源查询搜索方式已经不能满足需要，信息过载使大学生迷失方向。设计开发思想政治教育资源个性化精准推荐系统，从海量的网络资源中分辨出满足大学生个性化需要的资源，获得最佳的学习途径和思想政治教育效果。本文进行了业务流程、推荐算法和系统架构等方面的设计，解决了系统开发关键性的技术问题，为提高软件开发效率和质量奠定了基础。但是，基于用户的协同过滤算法存在数据稀疏性和冷启动两个问题，本文解决了数据稀疏性问题，如何解决冷启动问题并未涉及。因此，还需要进一步运用数据挖掘技术，有效缓解冷启动问题带来的影响。在开发和应用过程中，也需要深入挖掘学习者特征和学习行为数据，提高资源推荐的精准性和智能化水平。

参考文献

[1]

闫广新. 移动互联网时代高校思想政治教育平台系统构建[J]. 鞍山师范学院学报， 2018， 20（5）： 99101.

[2]张宏达. 论网络思想政治教育资源的整合[J]. 学校党建与思想教育， 2019， 37（14）： 6061.

[3]陈志勇. 信息过载环境下高校思想政治教育创新[J]. 思想理论教育導刊， 2018， 25（9）： 124127.

[4]周闻， 岑岗. 可解释个性化推荐学习平台的构建与算法研究[J]. 浙江科技学院学报， 2020， 32（1）： 7580.

[5]应丽， 方贤文， 王丽丽. 基于业务能力的可配置业务流程模型变化域分析[J]. 计算机科学， 2019， 47（10）， 322328.

[6]赵建龙. 基于协同过滤推荐技术的学习资源个性化推荐系统研究[D]. 杭州：浙江工业大学， 2011.

[7]张宇航， 姚文娟， 姜姗. 个性化推荐系统综述[J]. 价值工程， 2020， 39（2）： 287292.

[8]刘双双. 基于协同过滤推荐技术在就业推荐系统的应用研究[J]. 现代计算机， 2019， 36（32）： 7375.

[9]孙歆， 王永固， 邱飞岳. 基于协同过滤技术的在线学习资源个性化推荐系统研究[J]. 中国远程教育， 2012， 32（8）： 7882.

[10]Lee W P， Ma C Y. Enhancing collaborative recommendation performance by combing user preference and trust distrust propagation in social networks[J]. Knowledge Based Systems， 2016， 106（1）： 125134.

[11]Wang C D， Deng Z H， Lai J H， et al. Serendipitous recommendation in ecommerce using innovatorbased collaborative filtering[J]. IEEE Trans. on Cybernetics， 2019， 49（7）： 26782692.

[12]Wang Z Q， Liang J Y， Li R， et al. An approach to coldstart link prediction： Establishing connections between nontopological and topological information[J]. IEEE Transactions on Knowledge and Data Engineering， 2016， 28（11）： 28572870.

[13]李晓瑜. 协同过滤推荐算法研究[J]. 计算机与数字工程， 2019， 47（9）： 21182122.

[14]胡婷. 基于协同推荐的英语教学资源管理系统设计[J]. 自动化技术与应用， 2019， 38（9）： 158161.

[15]刘博. 以视频点播（VOD）为载体的高校思想政治教育网络系统构建与实践[J]. 自动化技术与应用， 2019， 38（10）： 166169.

（收稿日期： 2020.04.27）

基金项目：

2017年辽宁省教育厅基本科研项目（WQ2017010）。

作者简介：

林雨菲（1981），女，硕士，讲师，研究方向：思想政治教育。

姜参（1979），男，硕士，副教授，研究方向：电子商务软件开发。

文章编号：1007757X（2020）08005504